Меня зовут Максим, я отвечаю за продуктовый маркетинг в LDM. Мы любим часто и много рассказывать о цифровизации, автоматизации и внедрении ИИ в повседневные процессы. Мы сами используем ИИ в своей работе (не в статьях) и в решениях, которые предлагаем рынку. Но сегодня я хочу затронуть тему, которая лежит немного глубже: как искусственный интеллект меняет наше понимание экспертизы и мастерства.
Начнем с того, что все обычно упускают
Думаю, многие хоть раз слышали про «правило 10 000 часов», которое гласит, что для достижения мастерства в любой области нужно потратить 10 000 часов на практику. Я познакомился с этим тезисом в книге Малкольма Гладуэлла «Гении и аутсайдеры», в которой автор оперировал исследованием психолога Андерса Эрикссона про корреляцию трудозатрат с достижениями у музыкантов Берлинской консерватории и упростил их до «10 000 часов».
Сам Эрикссон потом указывал на ограничения этой трактовки, объясняя, что дело не в количестве часов как таковом, а в очень конкретном режиме целенаправленной практики на грани текущих возможностей, с немедленной обратной связью и постоянной коррекцией ошибок. Час игры «на автопилоте» не сравнится с часом, потраченным на разбор техники под присмотром наставника, который в реальном времени указывает на ошибки. Сопоставлять этот опыт, даже если временные отрезки одинаковой длины, неправильно.
Прежде чем откинуть книжку обратно на полку, давайте вспомним, о чем еще пишет Гладуэлл. Помимо вышесказанного о том, что часы практики нужно потратить осознанно, автор говорит про уникальное стечение обстоятельств. Он приводит пример Билла Гейтса, у которого были благоприятные условия для развития: доступ к передовым технологиям, поддержка семьи, возможность рано погрузиться в интересующую сферу. Ключевой момент – случайность возможностей. Я осознанно опускаю этот момент, потому что мы не будем ориентироваться на крайне редкие случаи, в которых совпадает талант, возможности и практика. В нашем случае примем как факт то, что доступ к ИИ есть практически у всех и он не является уникальным обстоятельством.
А теперь представьте: современный ИИ тратит на решение сложнейших задач не годы, а секунды. Нейросети пишут код, переводят тексты, анализируют массивы данных, дают советы и корректируют. Вопрос, который не дает мне покоя как наблюдателю: теряет ли смысл наш собственный упорный труд? Или правило 10 000 часов просто трансформируется и живет по новым законам?
Но сегодня я хочу зайти с другой стороны и озвучить мысль, которая кажется мне менее удобной: правило 10 000 часов действительно «сместило фокус», но дело в том, что ИИ впервые за долгое время сделал видимой разницу между практикой и имитацией практики, а большинство советов про «учитесь промптить» эту разницу только маскируют.
И это важно, потому что все рассуждения про «умерло правило или нет» нужно вести не на уровне метафоры Гладуэлла, а на уровне механизма Эрикссона. А как раз механизм и есть то место, где ИИ действительно что-то меняет.
Что на самом деле делает ИИ с целенаправленной практикой
Спор о том, сместилось ли правило, не стоит вести на уровне лозунга (сколько часов, на что их тратить), правильной постановкой вопроса будет: что происходит с самим механизмом (усилие / обратная связь / коррекция).
У целенаправленной практики есть болевая точка: обратная связь. Раньше, чтобы понять, что ты написал код неоптимально, перевел текст неточно или свел баланс с ошибкой, нужно было либо самому наткнуться на последствия, либо чтобы это заметил кто-то более опытный. Во всех случаях, процесс этот был медленным и неприятным – но именно он заставлял мозг обучаться и делать выводы.
ИИ действует как обезболивающее. Теперь, обратную связь мы получаем почти мгновенно: написал промпт и тут же получил результат, поправил – получил другой. Казалось бы, такой подход должен ускорять целенаправленную практику в разы, и это действительно так, но только если человек продолжает делать ту работу, которая раньше требовала внимания и осмысления: сравнивать варианты, задаваться вопросами, ловить себя на ошибке в рассуждении. Проблема заключается в том, что чаще происходит другой сценарий: быстрая обратная связь без усилия воспринимается мозгом не как практика, а как готовый результат. Многие перестают тратить время на сравнение вариантов, а просто берут приемлемый.
Как я говорил ранее, в модели Эрикссона было несколько обязательных компонентов, например: выход из зоны комфорта (брать задачи на грани возможностей), обратная связь и осознанная коррекция. ИИ прекрасно закрывает второй пункт и полностью убирает первый и третий (если человек ему это позволяет). Получается практика без практики – пресловутые часы идут, модель обучается, а ее оператор (человек) – нет.
Как меняется традиционный подход к мастерству
Сейчас можно услышать мнение о том, что раньше ценились опытные программисты, которые, например, на практике освоили несколько языков и читают код с такой легкостью, будто это анекдот на фантике конфеты, а теперь ценятся те, кто умеет формулировать задачу для ИИ. Звучит логично, но здесь есть подмена, которую редко проговаривают вслух.
Умение точно сформулировать задачу для ИИ и умение оценить, что ИИ вам ответил, – это два разных навыка, и второй значительно сложнее первого. Чтобы понять, что предложенная нейросетью архитектура базы данных плохая, недостаточно уметь красиво написать промпт – нужно уже знать, чем плохая архитектура отличается от хорошей. А это знание в старой модели мироустройства как раз и добывалось теми самыми скучными тысячами часов: отладкой чужого кода, разбором документации, спорами с наставником о том, почему твой вариант лучше.
Умение формулировать запросы не заменяет экспертизы, это надстройка над уже имеющимся опытом, которая его только усиливает. Без основания она превращается в способность уверенно получать неверные ответы. И вот тут можно сделать предположение, что правило не умерло, а просто сместилось. Понимаю, звучит утешительно, но не отвечает на главный вопрос: а откуда теперь взяться основанию, если ИИ забирает именно те скучные задачи, на которых оно раньше строилось?
А что на практике?
Рынок быстро растет, по данным исследования «СберАналитики», проведенного в ноябре 2025 года,«39% российских компаний уже применяют ИИ-агентов и ассистентов для решения бизнес-задач». А мировой рынок интеллектуальной обработки документов, по прогнозам, к 2035 году достигнет 54,7 млрд долларов.
Опытные специалисты, которые уже потратили 10+ лет на разбор документов, написание кода или верстку макетов, могут делегировать рутину ИИ и остаться с рабочей моделью и паттернами, ведь они уже сформировали достаточный скил. Для таких профи ИИ действительно освобождает время под то, что ценнее: постановку задач, критическую проверку, стратегию.
А вот у человека, который только входит в профессию, этой модели еще нет, да и взяться ей неоткуда, если первая линия задач, на которых она раньше формировалась, теперь автоматизирована и завалена ИИ-слопом. Это не абстрактный риск: в индустрии разработки уже открыто обсуждают, что джуны, начинавшие карьеру последние два-три года с интенсивным использованием ИИ-ассистентов, хуже справляются с задачами без них, потому что никогда не проходили тот самый неприятный этап, на котором вырабатывается интуиция.
Да, ИИ пока не понимает контекст на уровне человека, не обладает интуицией и уж тем более не берет на себя риски. Красиво сформулированная фраза о том, что «правило сместило фокус на постановку задач», этой проблемы не решает. Постановку задач тоже нужно на чем-то тренировать, а тренируется она на насмотренности, которую раньше давала именно рутина.
Я знаю, что тут любят живые примеры, попробую объяснить: два разработчика ловят одинаковый баг, оба открывают чат с ИИ и вставляют один и тот же кусок кода. Ассистент тут же предлагает патч, который кажется готовым решением. Первый разработчик копирует патч, применяет, тесты зеленеют, коммит, следующая задача, -> процесс занял три минуты. Второй тоже получает этот патч, но прежде чем его применить, спрашивает себя: а почему вообще появилась ошибка? Задаёт ИИ уточняющий вопрос, находит место, где параметр действительно не должен появляться, и чинит его сам. В этом случае предложенный патч в итоге не используется, а времени уходит больше: двадцать минут вместо трёх.
В трекере мы видим, что обе задачи выглядят одинаково (если разница не в несколько часов). Однако через полгода первый разработчик по-прежнему не отличает симптом от причины и с каждым таким багом остаётся ровно на том же уровне, где был. Второй за те же полгода набрал десятки часов настоящей практики, просто они были замаскированы под рутинные тикеты. Разница целиком в тех лишних семнадцати минутах, которые снаружи никак не видны.
Так что делать?
Как я уже говорил, правило по-прежнему работает, хоть и «сместило фокус». Важно реалистично оценивать лично для себя, как вы планируете потратить эти «10 тысяч часов», потому что мне кажется, что сама идея одной формулы для всех – это утопия.
Но есть один вопрос, который важно задавать себе после использования ИИ: можете ли вы объяснить, почему ответ верный или неверный, а самое главное, смогли бы вы выполнить эту задачу самостоятельно? Если вы сомневаетесь в ответе, то вы делегируете вместо осознанной практики. Иногда это нормально, но если так происходит систематически с задачами, в которых вы хотите стать экспертом, часы будут накапливаться, а мастерство – нет.
Ирония заключается в том, что похожий прогноз был в свое время для калькуляторов, автокорректора и GPS-навигатора, но каждый раз оказывалось, что человечество что-то теряет в одном месте и приобретает в другом. Может, с ИИ будет так же, а может, масштаб настолько другой, что аналогия не работает. Главное, что можно усвоить: не стоит игнорировать или злиться на тех, кто благодаря ИИ быстрее осваивает новые области, в которые вы уже, возможно, вложили много времени и сил. Именно это становится новой веткой сбора мастерства, которая будет усиливать ваши профессиональные компетенции.
А что думаете вы? Уже замечаете за собой ту самую «практику без практики», или ИИ у вас в работе, наоборот, заставляет разбираться глубже?
Автор: Maxim_ZhdanovL
